Grad Habitual Domain

What it does

When your agent uses it

• Diagnosing why alternatives are invisible
• Decision paralysis
• Breaking cognitive frames
• Explaining perception gaps between people

Example prompts

• “/grad-habitual-domain”

What it can do on your machine

Read from SKILL.md and the folder at commit 4e7f4f8. It shows what the files ask for, not the result of running them.

• Tool permissions

  Pre-approves nothing: there is no allowed-tools line, so your agent's usual permission prompts apply.

  From allowed-tools in the SKILL.md frontmatter.

• Runs code

  No scripts in the folder and no shell commands in SKILL.md (its code samples are markdown).

  From the folder's file list and the shell code blocks in SKILL.md.

• Network

  No URLs in SKILL.md.

  From URLs in SKILL.md, links to its own repository left out.

• Credentials

  Names no API keys, tokens, secrets or passwords.

  From names ending in _API_KEY, _TOKEN, _SECRET, _KEY or _PASSWORD in SKILL.md.

Context cost

Grad Habitual Domain loads about 1.9k tokens when it runs, and up to ~8.3k if it reads all its reference files. Until then it costs about 191 tokens; SKILL.md has 313 words of instructions outside code blocks.

Always · name and description, kept in context so the agent knows when to use it

~191

When it runs · the whole SKILL.md, loaded when a task matches

~1.9k

With references · SKILL.md plus every file in references/, read only if the agent opens them

~8.3k

Estimates: characters ÷ 4, the usual rule of thumb; real counts depend on the model's tokenizer. Scripts and assets cost tokens only if the agent reads them.

Safety

Automated static check — not a guarantee. Review scripts before installing. It scans the text of SKILL.md for risky patterns (piping downloads into a shell, reading credential files, hidden Unicode, destructive commands); files beside SKILL.md are not scanned.

SKILL.md

The full file from asgard-ai-platform/skills at commit 4e7f4f8, republished under its MIT licence (© asgard-ai-platform). 313 words, ~1,881 tokens.

name

grad-habitual-domain

description

Habitual Domain (HD) theory by Taiwanese scholar P.L. Yu (游伯龍, 1977) — integrates four domains (potential/actual/reachable/activated), eight general hypotheses, seven-layer decision structure, and nine HD-expansion tools to analyze decision blind spots, break cognitive inertia, and support cross-domain integration. Use for diagnosing why alternatives are invisible, decision paralysis, breaking cognitive frames, or explaining perception gaps between people. Triggers: 『思維框架』『打破盲點』『創新思考』『決策盲區』『跨域整合』『游伯龍』『習慣領域』『HD 理論』『七層決策』『四領域』『八大通性』『P.L. Yu』. Especially for NYCU EMBA HD course, 政大科管所, 中山企管系 decision-analysis/innovation/leadership courses. Taiwan-origin theory cited in J. Optimization Theory, Theory & Decision, Human Systems Management.

metadata.category

WP-10 研究所—理論

metadata.tags

habitual-domain, pl-yu, decision-theory, cognitive-framework, innovation-thinking, nycu, yu-pohlung, emba

metadata.audience

台灣 EMBA 在職學員、陽交系統友善讀者、跨域整合決策者

IRON LAW 1：HD 無好壞，只有是否擴展
習慣領域本身是中性的 — 它是經驗沉澱的必要產物。
問題不在「有沒有 HD」，而在「能否在必要時刻擴展」。
罵學員「思維僵化」是 HD 分析的反面教材。

IRON LAW 2：實際領域 ≪ 潛在領域
人當下能用的想法（Actual Domain）
遠小於他一生累積的想法集合（Potential Domain）。
決策失誤最常發生在「該用但沒啟動」— 這是設計觸發機制的切入點。

IRON LAW 3：擴展 HD 需要外部擾動
靠自己想「想遠一點」無效。
HD 擴展必須靠：
  (a) 跨域輸入（投射、類比、變換角度）
  (b) 結構化詢問（逼自己回答不熟的問題）
  (c) 參數變動（想像關鍵條件改變）
凡是「反求諸己、深度思考」的建議，十有八九不會真的擴展 HD。

┌──────────────────────────────────────────────┐
│ Potential Domain（潛在領域）                   │
│   一生累積的所有想法／觀念／知識的集合           │
│   ↓ 儲存但未被喚起                            │
├──────────────────────────────────────────────┤
│ Actual Domain（實際領域）                      │
│   實際運作、最常用的想法子集                    │
│   ↓ 當下情境未啟動                            │
├──────────────────────────────────────────────┤
│ Reachable Domain（可及領域）                   │
│   從 Actual Domain 可推論／聯想到的想法         │
│   ↓ 需要刺激才能觸發                          │
├──────────────────────────────────────────────┤
│ Activated Domain（可觸發／活化領域）            │
│   當下情境真正被喚起、正在運作的想法            │
└──────────────────────────────────────────────┘

Layer 7：決策者自我狀態     ─── 人的狀態（情緒、壓力、信念）
Layer 6：資訊情境             ─── 擁有多少、品質如何、是否對稱
Layer 5：偏好結構             ─── 輕重取捨如何排序
Layer 4：結果評估             ─── 各方案的可能結果
Layer 3：準則／目標           ─── 評估用的指標
Layer 2：方案集合             ─── 目前考慮的選項
Layer 1：參數辨識             ─── 把問題定義清楚

Step 1：畫四領域狀態圖
  - 主角當下 Activated Domain 有哪些想法？（看案文）
  - Reachable 但未啟動：他應該想得到但沒用的？
  - Actual 但未進入 Activated：他平常會用但今天沒用的？
  - Potential 但未進入 Actual：一般人有、他沒有的？

Step 2：辨識主導通性
  - 哪條通性造成他的 Activated Domain 長這樣？
  - 常見：固化（7）+ 迴避（4）+ 暈輪（5）組合

Step 3：套七層結構，定位卡點
  - 問題出在 Layer 幾？
  - 最常見：Layer 2（方案集合太窄）或 Layer 7（決策者自我狀態）

Step 4：選擇擴展工具
  - 針對卡點，挑 2–3 種工具
  - 設計「觸發機制」（流程、會議、提問範本）

Step 5：設檢核
  - 介入後 Activated Domain 是否擴大？
  - 如何量測：新方案數、跨部門意見採納率、決策修正次數

# 習慣領域分析：{個案／決策者／情境}

## 一、情境摘要
（3–5 條客觀陳述，避免價值判斷）

## 二、四領域狀態
- Activated Domain（當下在用）：...
- Reachable but not Activated（應想到未想到）：...
- Actual but not Activated（平常會用今天沒用）：...
- Potential but not Actual（潛在但從未進入使用）：...

## 三、主導通性診斷
- 主導通性 1：{編號與名稱}
  - 證據：...
  - 影響：...
- 主導通性 2：...
- 主導通性 3（可選）：...

## 四、七層決策卡點
- 卡在 Layer {X}：{描述}
- 其他受影響層次：...

## 五、擴展介入設計
### 選用工具
- 工具 A（例：投射）—— 具體操作：...
- 工具 B（例：參數變動）—— 具體操作：...
- 工具 C（例：逆向）—— 具體操作：...

### 觸發機制
（流程、會議設計、提問範本、外部引入）

## 六、檢核指標
- 新方案產生數
- 跨部門採納率
- 決策修正節點

## 七、限制與風險
- 分析受限於案文資訊量
- HD 擴展需時間，短期不可期待躍遷
- 避免把 HD 分析當「算命」，需結合實證資料

© asgard-ai-platform, MIT. Rendered from Markdown: HTML in the file is shown as text, images as links, and headings moved down two levels. Raw file

Files

SKILL.md and 5 other files (references) in grad-habitual-domain of asgard-ai-platform/skills.

• SKILL.md
• examples/manufacturer-succession.md
• references/eight-hypotheses.md
• references/nycu-hd-course.md
• references/pl-yu-bio-theory.md
• references/seven-layers-decision.md

Open the folder on GitHubat commit 4e7f4f8